[发明专利]一种基于LSTM网络的多变量物流货运量预测方法

说明书

本发明公开了一种基于LSTM网络的多变量物流货运量预测方法，用于解决现有技术在时间序列数据预测中存在预测精度低的技术问题。实现步骤为：物流货运量影响因素筛选与影响因素数据预处理；时间序列数据集监督学习模式的转换；监督学习格式的时间序列数据变量的归一化处理；数据训练集与测试集的划分；LSTM预测模型的参数设置以及模型前向训练；模型的反向传播和物流货运量预测值的反归一化。本发明充分利用了LSTM网络对流量数据的长期记忆性，监督学习能够有效发掘变量之间存在的联系，提高了物流货运量预测的精度。

技术领域

本发明属于机器学习和数据预测技术领域，具体涉及一种基于LSTM网络的多变量物流货运量预测方法。

背景技术

物流货运量预测是确定区域内物流设施发展规模与物流运能水平，规划区域内物流发展总体布局，划分区域内物流中心功能的重要依据之一，是区域物流规划决策的首要前期工作。

物流货运量预测是通过收集区域内物流历史需求数据，分析物流货运量变化与各影响因素之间的关系，并利用能够充分反映物流货运量变化趋势的影响因素对其进行预测。物流货运量属于非平稳序列，且具有众多影响因素，并且数据受到经济环境与社会环境的影响会出现异常或突变的情况。因此，各种预测方法都有一定适用性、局限性。

目前运用于物流货运量预测的建模方法常见的有基于自回归积分滑动平均模型(ARIMA)以及人工神经网络模型。ARIMA等回归模型虽然建模过程简便，但在对总体趋势的预测上并不稳定，常常产生滞后的现象。传统人工神经网络方法往往需要进行人工特征参数的提取，这需要较强的领域知识和经验，并且浅层机器学习在样本有限的情况下表示复杂函数的能力有限，针对复杂的非线性问题其泛化能力受到一定制约，并且传统的浅层人工神经网络还存在着收敛速度慢、容易陷入局部最优解等问题。另外，由于一般的回归模型和人工神经网络非线性逼近能力不强，难以适应多变量的时间序列预测问题。

因此，需要一种方法或系统能够更加准确地预测复杂的，尤其是受外生因素影响的非平稳时间序列数据。LSTM(long short-term memory)网络是循环神经网络(RNN)的一种特殊变体模型，过增加输入门，遗忘门和输出门，设置权重系数，使得LSTM网络能够学习时序数据之间的长期依赖关系，有效地解决了常规RNN训练过程中的梯度消失和梯度爆炸问题，在处理与时间序列高度相关的问题方面具有显著的优势。

发明内容

发明目的：针对以上问题，本发明提出一种基于LSTM网络的多变量物流货运量预测方法。该方法将多变量时间序列转换为带监督学习格式的时间序列，考虑了各变量之间的非线性关系，充分利用了LSTM网络对数据的长期记忆性，有效提高物流货运量的预测精度。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于LSTM网络的多变量物流货运量预测方法，包括如下步骤：

(1)影响因素的分析与筛选

根据被预测对象的经济状况和社会环境，选取被预测对象的影响因素X′₁,X′₂,…,X′_m作为预测模型评价指标，m为影响因素数量，进行相关性分析后筛选预测模型评价指标。确定评价指标中的自变量X₁,X₂,…,X_n，因变量物流货运量Y，m＞n；获取筛选后的评价指标对应的数据集。

(2)数据预处理

对数据集中自变量X₁,X₂,…,X_n和因变量Y的原始数据序列中包含的错误数据或数据缺失情况进行更正，保证模型输入数据的有效性，对更正后的数据进行预处理；将数据集划分训练集和测试集。

(3)构建LSTM网络模型